基于神经网络在工程造价和主要工程量快速估算中的应用研究

基于神经网络在工程造价和主要工程量快速估算中的应用研究

吴猛

吴猛

【摘要】建设工程是固定资产再生产过程中形成综合生产能力或发挥工程效益的工程项目，其中不仅包含新的固定资产的建设，还包括基于原有固定资产而进行的改造。工程造价和工程量的快速估算，作为现代建设工程中两个重要的组成元素，正发挥着日益重要的作用。出于在保证质量的前提下节约建设成本、降低工程预算、减轻工程作业量和提高建设效率的需要，本文通过对传统的工程估算方式的种种缺陷的研究分析，探讨了基于BP神经网络建立工程造价和主要工程量快速估算系统的科学性和合理性。

【关键词】神经网络；工程量；工程造价估算

随着世界经济的不断发展和科学技术日新月异的进步，人工神经网络这一新兴领域的先进技术近年来正逐渐深入影响到我们生产生活的方方面面，基于此的工程造价和主要工程量快速估算技术正是最好的说明。

一、传统工程造价和工程量估算方式的不足

长久以来，在工程建设领域，我国大多数情况下都是采用传统的方式来计算工程造价、估算生产成本。这一方面是由我国的科学技术水平局限决定的，另一方面则是因为我国的现代化建设时间还很短，对于新技术的经验积累还远远不够。在传统的工程建设领域，工程项目的划分往往过于冗杂繁琐，工程造价计算工程量需要不菲的时间成本。此外，非常繁杂的操作和计算方式也使得这一过程中的误差甚至错误难以有效避免，造成工程建设时间成本和经济成本的增加，所以自改革开放几十年来蓬勃发展的这一神经网络新兴技术更加凸显出重要的现实意义。

二、工程造价与神经网络

对于工程建设项目来说，对主要工程量和工程造价最直接也最显著的影响因素就是工程特征，这种影响的本质是一种映射影响的关联性。与传统的工程造价估算相比，神经网络具有精度高、实用性好、操作性强等显著特点。

数学建模是神经网络技术进行工程造价分析和主要工程量快速估算的主要形式。这一形式的内容主要是：首先通过合理分析构建出合适的数学建模，把估算的工程造价和工程量作为参考的方面，然后同人工计算的工程造价预算结果与主要工程量结论进行分析比对，从而更加直观地了解手工计算结果的准确性，实现对工程造价成本的节约，防范了工程量索赔等等问题的产生。

然而我们注意到，随着国际建设和社会发展的需要，我国工程建设的步伐越来越快，要求也越来越高，只是单纯针对工程造价进行估算的方式而进行的数字建模已不能满足现阶段对于工程量快速估算的客观要求。这就要求我们必须做到构建新的神经网络数字建模，主要就是基于原来的数字建模和算法的基础上，添加主要对于工程量的估算。同时，要综合考虑工程硬件环境、软件环境、工程造价指数等多方面因素的综合影响，不断提升调整后的新型神经网络建模方式的建设工程估算的精确程度，有力防止由于人力估算误差而造成的不平衡报价与索赔，这一新型人工神经网络就是BP神经网络模型。

三、BP神经网络

3.1BP神经网络概述

BP即为“BackPropagation”的缩写，我们一般称为误差反向传播网络。BP神经网络是迄今为止世界上应用范围最广的神经网络模型，BP网络的网络结构由输入层、隐层、输出层共同构成。这一网络模型的结构特点是：同一层单元彼此之间不是采用相互连接的方式工作，而是采用全互连接。此外三层的误差反向传播网络还可以与任何比较复杂的非线性函数接近，由于这些比较明显的优点和特性，本文使用了三层误差反向传播网络模型进行了网络神经估算模型的建模。

3.2BP神经网络参数设置

BP神经网络参数设置包括结构参数设置、节点函数和模型初时权值三种重要参数。主要有以下几点：

3.2.1定义BP网络模型结构参数

定义BP网络模型参数与神经网络的表达能力息息相关，本次研究中选择了隐层建模的方式，同时从工程建设的实际需要出发，确定了输入层和输出曾所需要的盛景园的数量，同时确保了隐层数量符合柯尔莫戈洛夫定理的要求，即为2N+1个，其中N代表了输入数据的数量。

3.2.2节点函数的选择

由于sigmoid函数是神经元的非线性函数。既可以进行输入，又可以进行输出，且输入和输出的神经元数量与输入输出的分量数量呈现出一一对应关系。之所以选取这一函数是因为它能使输入的任何数据都具备转化成（0，+1）之间的数值的功能。

3.2.3初时权值选择

神经元阀值以及连接权系数的初始值直接影响着网络模型训练时间和收敛速度的大小，并且对网络模型最小化影响明显，在选取本模型的初时权值时采用随机函数之间的随机数（（-1，1）之间随机数）进行了选择。

3.3BP神经网络学习算法

BP神经网络的学习算法主要包括输入模式过程、误差逆传播、记忆训练和学习收敛四大部分。其中输入模式过程就是输出层将网络的实际输出与网络的期望输出之间的误差信号通过中间层向输入层修正连接权的过程；记忆训练过程就是指输入模式同误差逆传播两个过程之间反复进行的网络过程；学习收敛过程就是网络的全局误差不断向极小值接近的过程。

四、以新疆某市为例验证BP神经网络的优势

本次研究选取了新疆的某市为研究对象，该市经济发达且工程建设相关领域的发展水平高、技术力量雄厚。以前不久刚刚竣工的典型工程为切入点，说明BP神经网络模型各方面的优势。

从该市的工程造价计价模式出发，选取了该工程的工程特点如工程类别、基础类型、墙体工程、门窗的类型及数量、屋面工程、楼地面、工程的软硬件环境及造价面积等组成要素作为模型进行输入。

为了提高BP模型估算精度，结合工程门窗数量上存在很大差别的实际情况，在工程项目的施工图纸上检索出门窗的数量将其输入，并将该工程的其他文字特征转变成数字之后再作为BP神经网络的输入部分，以需要的混凝土量和工程单方造价、切块与模块作为BP神经网络模型的输出部分。通过sigmoid函数作为支撑的输出节点对此BP神经网络模型的样本进行详细分析和测试。BP神经网络模拟选取的软件设计程序是matlab6.1。模拟训练中，取初始学习率为0.04，将误差设定为0.0005，BP神经网络模型不断进行交替训练后，达到了设定的误差目标。此外，通过对没有考虑工程软件环境、工程的硬件环境和工程造价指数等多种因素影响下的工程造价结果，以及考虑这一系列因素得出的结果比较后可以发现，在不考虑工程软件环境、硬件环境、造价指数对工程造价的影响时，工程量的估算为834.36元/m2，误差为5.19%；而考虑这些因素影响的工程造价估算为847.00元/m2,误差为2.74%。在综合考虑这些因素影响下的BP神经网络模型估算的精度明显高于没考虑这些因素的估算精度，且在工程量估算上的差距十分有限。

结语：

通过对传统的工程造价和工程量估算方式不足的说明，本文详细说明了采用BP神经网络建模的方式在这一领域发挥的优势。以新疆某市为例，基于原有模型把工程建设中的软硬件环境、工程造价指数等加入了建模测算的过程之中，通过详细的分析论证得出了基于神经网络的工程造价和主要工程量的快速估算具有精度高、实用性好、操作性强等显著特点，这也说明了这一新技术适应了时代发展的潮流，在不久的将来必将在社会生活的各个领域得到更加广泛的应用。

参考文献：

[1]韩明伦.公路工程造价估算中模糊神经网络的应用[J].科技资讯，2012(09).

[2]张俊贤.建筑工程造价快速估算的神经网络方法浅析[J].科技博览，2014(12).

[3]孙艳艳.BP神经网络技术应用前景分析[J].南京建筑工程学院学报，2013(01).